DoorDash 联合创始人 Andy Fang 与 Stanley Tang 做了一个很清楚的判断：配送不会被某一种技术一次性替代。自然语言 Agent 负责理解需求，Dot 负责一部分适合它的路线，人类配送员、无人机和其它自动化形态各自处理不同订单，DoorDash 更像是在搭建一套能调度所有模态的本地商业基础设施。1
这期访谈发布于 2026 年 7 月 23 日，主题从 Ask DoorDash 的自然语言搜索，一路谈到 Dot 的物理设计、真实配送数据、自动化规模化，以及企业内部如何计算 AI 的回报。完整观点与引语均以本期原始音频的全量 ASR 为主要依据。2
先看结论
- Ask DoorDash 的价值不只在于让搜索更方便。访谈中 Andy 说，使用 Ask DoorDash 找餐厅的路径里，约 50% 最终去了用户此前没有点过的店；杂货购物篮规模约高出 40%。
- DoorDash 最初并没有打算自己造机器人。团队先与人行道机器人和 Robotaxi 公司合作，之后发现：自动化要真正落地，必须连同调度、商家接入、消费者体验和现场运营一起设计。
- Dot 不是载人的 Robotaxi，也不是只能慢速走人行道的小车。它从 DoorDash 的配送分布倒推出来，约 300 磅，最高时速 20 英里，约为汽车体积的十分之一，能够在人行道、自行车道和道路上移动。DoorDash 官方资料也将 Dot 定义为自研的全电动自动配送机器人。3
- 机器人最难的地方往往是「第一百英尺」和「最后一百英尺」：从餐厅哪个入口取货、GPS pin 对不对、住宅的哪一扇门才是前门，都是人可以临场判断、机器必须被系统化处理的问题。
- Stanley 预测，机器人和 AI 普及后，10 年后的 Dashers 可能更多而不是更少。原因不是自动化没有效率，而是 DoorDash 预计业务还会继续增长，效率提升也会降低配送成本、刺激更多需求。
- DoorDash 内部的 AI 采用也遇到同一个问题：模型在清洗后的数据和受控环境里表现很好，换成真实企业数据和真实任务，结果未必一样。团队因此开始用 Dash Bench 等 benchmark 评估模型与 harness 的真实回报。
两位嘉宾
Andy Fang
Andy Fang 是 DoorDash 联合创始人，公开人物资料显示，他曾负责消费者工程，并继续参与 DoorDash 的产品与 AI 方向。4 本期他重点谈 Ask DoorDash、自然语言界面、agent-first 体验和 DoorDash CLI。
Stanley Tang
Stanley Tang 是 DoorDash 联合创始人，也是 DoorDash Labs 负责人，带队推进机器人与自动化配送。Slush 的公开档案称，他在斯坦福读书期间、20 岁时共同创办 DoorDash，后来获得计算机科学学士学位。5 本期关于 Dot、自动配送平台、物理世界部署和多模态车队的主要判断来自他。
按节目顺序整理的详细要点
1. Ask DoorDash：从语音试验转向自然语言
DoorDash 几年前就开始尝试 Agentic Commerce，最初比较看好语音作为交互方式，但语音并没有立即成为最有效的入口。真正跑通的是更自然的对话式搜索：用户可以把脑子里的需求直接说出来，不必先把它拆成关键词，再去网上研究和筛选。
这让餐厅发现和杂货购物都出现了新的用法。用户可以描述一种更细的口味，上传冰箱照片，做周末家庭餐计划，说明饮食限制，或者直接要求重新购买常买的东西。DoorDash 2026 年 6 月发布的官方介绍也写到，Ask DoorDash 支持用自然语言描述餐食、上传菜谱照片或链接，并据此生成个性化结果或购物车。6
Andy 在访谈中给了两个行为变化：在使用 Ask DoorDash 搜索餐厅的用户路径里，约 50% 最终选择了此前从未点过的餐厅；杂货购物篮规模约大 40%。前者尤其重要，因为「让用户尝试从未点过的餐厅」一直是 DoorDash 很难推动的指标。自然语言降低了探索成本，也让用户不用只沿着既有习惯重复下单。2
DoorDash 还把互联网上的实时信息和平台外的世界知识纳入体验。用户可能会问「最近网上流行什么」，或者想找论坛里正在讨论的餐厅，而不是只看模型训练截止时间之前已经知道的东西。Andy 认为，这类外部知识能让推荐更贴近用户当下真正想吃的东西，也更容易让人信任结果。
2. Agentic Commerce 的下一步：让用户知道可以怎么问
Ask DoorDash 的下一阶段，不只是继续增加模型能力，还包括教用户发现用法。只给一个输入框，很多人并不知道从哪里开始。因此产品团队需要设计示例、提示和体验，让用户逐渐发现：同一个入口可以用来找餐厅、规划杂货、重买日常用品，也可以处理家庭聚餐或办公室午餐。
Andy 认为，如果今天重新创办 DoorDash，它不会只是把旧版 DoorDash 换一个更漂亮的界面，而会从 Agent-first 开始设计。他提到一个自己常想的判断：现在网络上的 Agent 流量可能已经超过人类流量。无论这个判断最终如何演化，产品都需要回答一个新问题：当另一个 Agent 代表用户来找餐厅、买杂货或下订单时，DoorDash 应该怎样与它交互？
访谈里还有一个很具体的想象。办公室管理员可以让 Agent 处理午餐，也可以把摄像头对准食品柜。当货架快空时，Agent 自动向 DoorDash 发出补货请求。这个需求最初可能没有人主动提出，因为过去的产品入口要求人先想到「我要做一件补货的事」，而 Agent 可以从持续变化的环境中发现任务。
3. 为什么 DoorDash 从 2018 年开始做机器人
Stanley 说，DoorDash 早在 2018 年就开始关注机器人和自动驾驶。当时这还不是一个显而易见的产业方向，但创始人团队判断，它可能改变配送行业。创始人主导的公司可以把一部分资源放到更长期、更不确定的方向上，持续问自己怎样避免被下一波技术颠覆。
一开始，团队并不想自己造机器人。Stanley 和一名工程师投入了一部分时间，先做了一个类似 Skunk Works 的探索项目，去了解市场、寻找合作伙伴和验证方向。他们与不同公司合作，范围从人行道机器人到 Robotaxi，希望 DoorDash 做平台、API 和分发，合作方提供自动化设备。
这几年的合作让他们得出三点结论：
- 自动驾驶会发生，问题是何时发生，不是会不会发生。
- 自动化不是把机器人放进现有网络就结束了，周围还需要基础设施、调度、商家接入、消费者体验和现场运营。
- 技术必须围绕具体用例设计。不能先造出一项技术，再回头寻找一个勉强匹配的问题。
第三点最终改变了 DoorDash 的路线。Stanley 说，很多自动化公司给人的感觉是先把技术建出来，再把问题套上去，仿佛产品是在真空里完成的。软件创业训练会反复强调「服务客户、做人们想要的东西」，但到了硬件、机器人和物理 AI，很多团队反而把这个顺序倒过来了。
DoorDash 自己的创业故事正好相反。它最初只是斯坦福宿舍里的一个实验，网站叫
paloaltodelivery.com，手上只有 8 份 PDF 菜单和一个 Google Voice 电话号码。团队先确认确实存在需求，再把实验做成公司。后来做机器人和 AI，也沿用了先实验、再验证、再逐步产品化的方法。4. Dot 为什么不能直接用现成机器人
Stanley 把市场上的方案大致分成两类。
第一类是人行道机器人，通常每小时只能走 2 到 3 英里。DoorDash 的平均配送距离约为 3 到 5 英里，食品制作之外的典型配送时间约 15 分钟。按这个距离和时间，人行道机器人很难满足需求。
另一类是 Robotaxi。它们通常是约 4000 磅的汽车，为载人而设计，可以高速行驶。但运人和运货不是同一个问题。几份墨西哥卷饼不需要一辆带座椅和空调的 4000 磅汽车，取货和交付也完全不同。人可以接受 Robotaxi 把自己放在离目的地半个街区的位置，然后走过去；包裹和食物不能这样处理。
Stanley 把这称为「第一百英尺和最后一百英尺问题」。餐厅端，机器人要知道从哪里取货；用户端，它要找到正确的车道、前门、门廊或门禁。人类配送员可以到了现场再看一眼，判断「应该是这栋楼」「应该是这扇门」，机器人不能依赖这种临场猜测。
所以 DoorDash 从客户用例开始倒推：如果目标是密集郊区的 3 到 5 英里配送，合适的形态可能更像自动摩托车、自动踏板车或自动自行车，而不是人行道小车或载人汽车。它不需要 4000 磅，但必须比人行道机器人快很多，目标速度约为每小时 20 到 25 英里。
DoorDash 看不到市场上有完全匹配这个用例的产品，于是决定自己控制这条路线。团队用真实配送和历史运营经验反复迭代，最后推出 Dot。DoorDash 官方资料将 Dot 描述为自研、全电动、约为汽车十分之一大小的自动配送机器人，并称它可以在人行道、自行车道和道路上行驶。3
5. Dot 的具体设计与多模态策略
访谈中 Stanley 给出的 Dot 参数是：约 300 磅，最高时速 20 英里，约为汽车体积的十分之一。它在 Phoenix 和 Tempe 运行，已经做了接近两年的配送，并达到完全自动驾驶 L4。它不是把 Waymo 的系统复制过来，而是围绕 DoorDash 的订单、取货和交付方式设计。
DoorDash 不打算让一种设备解决所有订单。多模态策略大致是：
- 密集郊区、3 到 5 英里的订单，可以由 Dot 处理。
- 道路基础设施较差的农村区域，可能使用更轻的订单形态或无人机。
- 复杂的多步骤杂货订单，需要上楼、拣选和打包，仍然更适合人类 Dasher。
这种做法让商家只需要接入 DoorDash 一次，消费者仍然使用同一个 App，后台则根据订单、地点和成本调用不同模态。商家得到的不只是 Dashers，还可能得到无人机、自动配送和未来 AI 产品。Stanley 认为，DoorDash 真正想做的是本地商业生态，而不只是某一个配送设备。
6. 真实世界数据比漂亮 Demo 更重要
Andy 提到，机器人和物理 AI 的难点在于环境分布。做一个被精心挑选的演示并不难，难的是让系统在不同物体、不同地形、不同城市和不同订单上持续工作。
DoorDash 每年完成超过 30 亿单配送，平台每月服务超过 4000 万消费者。Stanley 还提到，他们手里有累计约 100 亿次配送形成的历史数据。两个数字对应不同口径：30 亿是当前年度配送规模，100 亿是可以用来提取运营经验的累计历史配送数据。不同城市、不同商家、不同产品和不同天气都会改变配送方式。旧金山、市郊 Dallas、欧洲城市和下雪的 Helsinki 不一样；披萨、冰淇淋、晚餐、杂货、药品和包裹也不一样。
这类数据的价值不只是「有很多客户记录」。真正有价值的是：DoorDash 知道订单在现实里如何出错，知道不同类型商家如何接入，也知道人类配送员历史上把包裹放在了哪里。第一百英尺和最后一百英尺的数据，不在普通地图里，只存在于真实配送网络中。
Andy 还用自己投资的机器人公司 Sunday 举例。工程师很难凭空想象所有环境：比如在真实家庭里，猫可能会钻进洗碗机；机器人也可能遇到一只轮子压在落叶上、另一只轮子在柏油路上的情况。只有把系统放进真实世界，才能知道这些情况是否常见，以及它们会不会改变产品设计。
7. 从研究项目到可运行的服务
DoorDash Labs 和 AI 团队对人才的吸引力，Stanley 归结为一个简单选择：你是想一直做原型和 Demo，还是想把东西真正发到现实世界？很多自动驾驶研究者已经厌倦了做了十年项目，却没有看到产品被真实用户使用。
DoorDash 的方法更务实：先把一个能工作的版本发出去，让它接触真实环境，再根据反馈迭代。技术不是在真空里建成的，必须和现实发生接触。
规模化也因此会暴露一长串边角情况：
- Dot 在道路右侧行驶时，右侧两个轮子可能压到落叶，左侧两个轮子仍在柏油路上，四个轮子的扭矩需求会突然不同。
- 传感器可能被泥土遮住，自动驾驶栈需要知道自己看不清了。
- 极端刹车时，再生制动可能对电池造成冲击，安全系统必须处理这种少见但严重的情况。
- 早期机器人只是用一个工程师花几小时写的 Jenkins 脚本启动。单台 Demo 没问题，但当每天要启动数百台机器人时，脚本可能经常崩溃，每台要花 30 到 45 分钟，乘上 500 台就会变成巨大的生产率问题。
- 充电、维护、仓库、供应链、制造、零部件可靠性、商家取货与用户交付，都属于自动化服务的一部分。
Stanley 认为，扩大自动配送要同时解决三个问题：自动驾驶能力能否扩展，运营能否扩展，硬件能否扩展。五年前，人们还在问自动驾驶到底是否可能；如今这已经不再是唯一的瓶颈，运营和硬件开始占据更多注意力。
在硬件方面，DoorDash 先自己手工做了前 100 台机器人，之后就必须考虑下一千台和一万台的供应链、组件可靠性和长期使用寿命。团队还与从 Rivian 分拆出来的微型交通公司 Also 合作，希望借助其车辆规模化经验。
8. 人类配送员不会消失，车队会变得多模态
当主持人问「未来是否会只剩 Dot、没有 Dashers」时，Stanley 给出了相反预测：10 年后，Dashers 可能更多。
他的理由是，DoorDash 目前有超过 900 万 Dashers，业务年增长约 25%，如果未来还要从当前规模增长 5 倍或 10 倍，仅靠现有的人力供给不够。机器人、无人机和自动化设备会补充人类配送员，而不是简单把人类从系统中删掉。
他设想的未来是多模态车队：人类配送员、Dot、无人机、Waymo 等合作伙伴的机器人，以及其它还没有出现的自动化形态。不同订单交给不同模态，成本下降又可能带来更多需求，最终配送总量反而扩大。
DoorDash 官方 Dot 页面也明确写到，Dashers 仍然是平台的重要组成部分；Dot 的角色是帮助 DoorDash 应对增长、提供更快更可靠的配送，并与人工配送结合。3
9. 公司内部的 AI：先把回报算清楚
Stanley 说，DoorDash 去年收购 Metis，部分目的就是把更 AI-native 的工作方式带进公司。编码是最容易看见收益的地方，但 AI 也正在被分析师、运营人员、客户经理和负责 QBR 的团队采用。
DoorDash 还发布了 Dash Bench，用来比较不同模型和 harness 在 coding 任务上的表现。Stanley 说，他观察到公司 6 月的 AI 支出约是 1 月的 20 倍。主持人追问支出是否还在增长，Stanley 的回答是目前趋于平稳。
这背后有两种动作：第一，停止明显浪费的实验；第二，开始真正计算 ROI。对需要高水平智能的任务，可以使用能力更强的模型；对较便宜、重复性的任务，则可以考虑 open-weight 模型，在满足效果的前提下降低成本。
目前最大的支出仍然与工程相关，但非技术团队的席位增长更快。团队需要进一步建立 benchmark，评估分析、运营和财务等工作的真实改善，而不是只看模型在演示里是否答对。
Stanley 还指出，企业数据会让评估变复杂。把数据清洗后放进受控环境，模型可能表现非常好；换成企业实际数据、真实流程和没有整理过的边角情况，效果却可能明显下降。问题可能出在 harness，也可能是模型本身没有覆盖真实任务所需要的数据分布和能力。下一阶段不是继续把 coding 做得更漂亮，而是把这种提升扩展到企业工作的其它部分。
10. Agent-first 的终点不是一个更大的搜索框
Andy 观察到，过去几年 Google 搜索查询变得更长。他把这个变化理解为：人们越来越习惯像和一个人说话一样与 App 或 Agent 交流。
未来的体验不应只是把传统搜索框变成长文本框，而要让 Agent 能理解更丰富的背景，减少用户从想法到下单之间的摩擦。用户可以说自己想吃什么、家里有什么、谁会参加聚餐、有什么过敏限制，系统再把这些条件转换成餐厅、杂货或零售订单。
DoorDash CLI 是他们正在测试的一个早期入口。一个办公室管理员可能最开始只想自动化午餐订购，后来才发现 DoorDash 也能买便利店商品和杂货，于是进一步把摄像头对准食品柜，等库存减少时自动补货。Andy 认为，很多新的需求会从这种意料之外的组合里出现。
逐句全文翻译
说明：以下内容依据本期完整原始 MP3 的全量 ASR 整理，保留节目原始顺序，不保留英文原文。ASR 没有提供可靠的说话人分离，因此主持人的发言统一标为「主持人」，两位嘉宾按上下文标为「Andy」与「Stanley」；明显的专名识别错误已按节目语境校正。完整音频放行来源为 No Priors 原始音频。
00:00｜开场与 Ask DoorDash
主持人：听众朋友们好，欢迎回到 No Priors。今天我和 DoorDash 的联合创始人 Andy Fang、Stanley Tang 在一起。我们会聊聊如何用自然语言向 DoorDash 询问食物和杂货，这对 Agentic Commerce 的未来意味着什么，他们的配送机器人 Dot，DoorDash 为什么已经做了八年机器人，以及他们的网络数据优势。我们还会聊聊这一切对 900 万 Dashers 和每年 30 亿次配送意味着什么。
主持人：Andy、Stanley，欢迎你们，非常感谢你们来这里。我很想和你们聊聊 DoorDash 正在做的这些疯狂事情。我们先从 DoorDash 正在发生的 Agentic Commerce 说起。我觉得你们可能是把 AI 真正用来改变人们消费方式的最大规模实践之一。这个方向的背景是什么？
Andy：老实说，我们几年前就开始尝试在这里做一些事情。最开始，我们比较看好语音，觉得语音可能会成为主要交互方式。但后来它没有真正落地，也许未来会，但当时没有发生。真正让我们感兴趣的是自然的对话式体验：人们可以把脑子里的想法直接说给界面听，而不是先上网研究，再尝试做关键词优化。
Andy：用户发现，用这种方式搜索餐厅更容易，尤其是更细、更有差别的餐厅发现需求；在杂货一侧，也有许多不同任务。随着我们扩大 rollout，我们看到了很有意思的增长，而且这种增长保持住了。
主持人：从用户行为看，你们观察到什么变化？人们会吃得不一样、买得不一样吗？
Andy：在餐厅一侧，使用 Ask DoorDash 的用户路径里，大约 50% 最后去了他们以前从未点过的地方。这一直是 DoorDash 历史上最难推动的指标之一，所以变化很大。
Andy：杂货一侧，我们看到购物篮明显更大，大约大 40%。用户会拍一张冰箱照片，说「帮我把冰箱补满」；也有人根据饮食限制做一周的餐食计划，说「这个周末我想和家人做一顿意大利面」，或者说「帮我重新买我平常买的东西」。这些都比传统界面里一点点点击更容易。
主持人：这很惊人。我以前从没觉得 DoorDash 难用，但这说明确实有一部分潜在需求，因为体验还不够容易，所以一直没有被满足。用户因此没有去尝试新的餐厅。
Andy：对。很多人在餐厅一侧会形成习惯，但他们也希望吃得更有变化。我们觉得，这种体验给了他们一种自然表达这种愿望的方式。
主持人：这还会带来一种社交货币：我的朋友 Andy 帮我找到了一家特别好的新餐厅。人们看待 DoorDash 的方式也会因此改变。
Andy：是的。我们做的另一项投入，是把平台外的世界知识放进体验里。
主持人：这里的世界知识是什么意思？
Andy：就是 DoorDash 之外正在发生的餐厅信息。比如网上最近流行什么，哪些东西不在模型的训练数据里，但人们可能会因为看到论坛、社交网络或其它讨论而发现。用户可能会说「最近什么比较火」，或者「大家在不同论坛里讨论什么」。这也回到你刚才说的：用户想吃当下流行的东西。把这些信息纳入体验，能让人更信任结果。
03:52｜Ask DoorDash 的下一步
主持人：五年后，人们会怎样购买，或者怎样看待餐厅？
Andy：我不敢说五年后会怎样。在 AI 时代，预测下一步、再下一步真的很难。对 Ask DoorDash 来说，接下来几个月的工作之一，是让人更容易发现这个体验，知道可以怎样使用。用户看到一个输入框和一些建议查询时，可能仍然不知道从哪里开始，所以需要通过产品体验鼓励他们找到用例。
Andy：如果把时间拉得更远一些，就更有推测性了。Stanley 和我经常讨论：如果今天有人重新创办 DoorDash，比如几个大学生在车库里开始做，它一定会很不一样，可能会从 Agent-first 开始。我现在经常想的一件事是，网上的 Agent 流量已经超过人类流量。那 DoorDash 这样的体验，应该怎样适应这个趋势？这些都很有意思，但很难下定论。
主持人：我的 Agent 能知道我想吃什么，或者我想买什么杂货吗？你们怎样理解更丰富的上下文，怎样让它变得更聪明？
Andy：一个很酷的例子是办公室食品柜。可以在食品柜旁边放一个摄像头，货架开始变空时，向 DoorDash 发出请求，让它把货架补满。
主持人：这是人类过去要负责的事情。
Andy：对。这也是我们早期试验 CLI 时讨论的事情：让 Agent 参与这个体验时，摩擦更少。
主持人：既然聊到用户需求，我得说自己应该算是顶级 DoorDash 用户了。
嘉宾：我们很荣幸，你们现在的客户已经很多了。
主持人：我每周日都会给大家庭准备晚餐。我们也会点 DoorDash，因为我不可能每周都亲自给这么多人做饭。每次我都做同样的事：先问谁会来，再问这些人有没有过敏或其它饮食限制，再问有没有谁想吃点特别的，然后下单。
主持人：我觉得这些事情完全可以交给自动化。我到场，和家人待在一起，一切都很好。这就是一个用例。
Andy：确实是一个用例。类似的场景还有办公室午餐。办公室管理员不想一直手动处理，也要提醒每个人在某个时间前下单，否则午餐来不及送到。每个人又都有自己的过敏情况和饮食偏好。
06:54｜从 2018 年开始下注机器人
主持人：Stanley，你们也在自动驾驶和机器人方面做了很多事情。显然，从创始人的角度看，DoorDash 的愿景比「送餐平台」这个表面描述要大得多。机器人方向是多久以前开始的？
Stanley：其实我们关注机器人和自动驾驶的时间比很多人想的更早，大概从 2018 年开始。那时还不明显自动驾驶和机器人会成为一个方向，但我们觉得它会给这个行业带来变革，甚至可能颠覆它。
Stanley：创始人主导的公司有一个好处，就是可以思考更远、更 speculative 的事情，持续问自己怎样避免被下一波技术颠覆。正如 Andy 说的，下一家出现的 DoorDash 不会只是做一个完全一样的 DoorDash，再加一个更好的 UI。它可能会从 AI 如何进入商业、自动驾驶、机器人、无人机配送等方向重新开始。
Stanley：现在过了七八年，你已经看到 AI、机器人和自动驾驶开始逐渐发生。Waymo 也在进入这个领域，我们很庆幸自己在 2018 年就进行了投入。当时这是一家很好的公司，虽然它不像今天这样显眼，我觉得这样说是公平的。
主持人：面对这种很长期的下注，你们怎样考虑时机、顺序和资本配置？
Stanley：这和我们在 DoorDash 投资许多事情的方法一样，一切从实验开始。DoorDash 自己就是这样创办的。它最初是斯坦福宿舍里的实验，网站叫
paloaltodelivery.com，只有 8 份 PDF 菜单和一个 Google Voice 电话号码。只有确认「这里确实有东西」之后，我们才把它变成公司。过去 13 年，我们一直把这种方法带到其它方向，也用在自动驾驶和 AI 上。Stanley：2018 年一开始，我们没有想「马上启动一个巨大的机器人项目，招聘机器人专家，再去造硬件」。最初只是我和半个工程师的时间，做了一个 Skunk Works 项目。我们想探索外面有什么，弄清楚自动驾驶是什么、机器人会怎样影响这个行业，然后去建立合作、学习和实验。
Stanley：最初的意图也不是自己造机器人。我们觉得可以和很多公司合作，因为当时我们对机器人了解不多，外面已经有许多做机器人和自动驾驶的初创公司。我们可以做平台，建设 API，处理分发。
Stanley：我们和这个领域里几乎所有类型的公司都合作过，从人行道机器人到 Robotaxi。这个过程让我们学到三件事。第一，它验证了自动驾驶确实会发生，问题是何时，不是会不会。今天 Waymo 已经在运行，所以我们应该继续投入。
Stanley：第二，我们学到要让自动驾驶真的可用，需要在周围建设很多东西：基础设施、生态、与 DoorDash 的集成、哪些订单适合接、运营方式。不是把机器人放进去，或者把一个语言模型放进去，事情就会神奇地发生。你必须建立一个平台和一套生态。
Stanley：所以我们开始建设自动配送平台。它要回答：在一个自动驾驶、机器人和无人机都普遍存在的世界里，需要哪些产品、技术、API 和调度系统？怎样接入商家？消费者体验是什么样的？
Stanley：第三点也是最重要的一点，最终让我们意识到必须自己做技术，就是必须围绕用例建设。
主持人：外面有很多自动驾驶初创公司，但你们觉得它们往往不是围绕用例做，而是先把技术建出来，再回头寻找一个问题来匹配。它们像是在真空里完成的。软件世界里，YC 会教大家服务客户、做用户想要的东西，先做出来再迭代。但到了硬件、硬科技、AI 和机器人，人们却经常反过来，先做技术，再想用例。
16:31｜为什么选择自己做 Dot
Stanley：正是这样。很多公司做的东西并不完全适合 DoorDash。市场上大致有两类方案。第一类是人行道机器人，时速通常 2 到 3 英里，像装着轮子的水桶。技术简单，也很有效，但速度和距离限制很大。DoorDash 的平均配送距离约 3 到 5 英里，除去食物制作时间，典型配送时间约 15 分钟。用每小时 2 英里的机器人，根本来不及。
Stanley：另一端是 Robotaxi，它们为载人设计，通常是 4000 磅的汽车，速度很快。但载人和运货其实是不同的问题。只运几份墨西哥卷饼，真的需要一辆带座椅和空调的 4000 磅汽车吗？取货和送达的方式也不一样。
Stanley：人可以走到 Waymo 旁边，Waymo 把你放在半个街区或一个街区外也没关系，因为你能走过去。包裹不能这样。食物怎样从商家取出？怎样送到用户那里？怎样找到车道？人们希望食物直接送到车道前、前门或门廊。这就是我说的第一百英尺和最后一百英尺问题。
Stanley：我们从客户用例出发，按第一性原理倒推。如果要解决 3 到 5 英里的密集郊区配送，合适的形态大概在两者之间，像一辆自动摩托车、踏板车或自行车。它不需要 4000 磅，可能约 300 磅；但也必须比人行道机器人快，速度要达到每小时 20 到 25 英里。
Stanley：我们环顾市场，发现没有人在做这种东西。与其等别人做出来，不如控制自己的命运，于是我们决定投入，看看能不能做出来。这个过程中经历了很多迭代：拿真实的 DoorDash 配送测试，回看已经完成的约 100 亿次配送，从中提取运营经验。最后，这些工作带来了我们内部的自动配送机器人 Dot。
Stanley：无论自动驾驶、机器人还是 AI，我们都把同一套方法带到业务的每一个方面：从实验开始，先问解决什么客户问题、什么用例，再反向设计，迭代并验证假设，慢慢把产品做出来。
主持人：这听起来非常理性。我想问，为什么这个时代很多人会先做技术，而不是从客户出发？
主持人：我猜人们以为所有事情都会像 ChatGPT 一样。ChatGPT 当然也做了指令微调，才把通用技术塑造成真正的用户体验，但很多人的心智模型是：通用技术先建好，之后可以自由变成各种应用。尤其在自动驾驶里，他们会觉得先把模型做出来，剩下的事情即使不容易，也至少是次要的。
Stanley：我完全不同意这种看法。这个方法也许在软件世界里有效，但 DoorDash 是一家物理世界企业。把技术带进物理世界时，现实会更混乱、更复杂，也更有细微差别。
Stanley：很多人没意识到 DoorDash 有多复杂。我们每年完成超过 30 亿次配送，没有两次配送完全一样。三十亿次配送都有不同的形状、大小和地理环境。旧金山市中心的配送和 Dallas 的配送不同，欧洲和下雪的 Helsinki 也不同。披萨和冰淇淋不同，晚餐和杂货不同，现在零售、药品和包裹又带来新的差异。
Stanley：DoorDash 面对的配送多样性非常复杂。无论建设自动驾驶还是 AI，我们都必须处理这些细微差别。关键仍然是：你是否理解自己的用例？我们有一个其它公司没有的巨大优势，它叫 DoorDash。我们有约 100 亿次配送数据可以提取，也有每月超过 4000 万消费者。
Stanley：我们知道出问题时怎样处理，知道怎样接入不同商家。和麦当劳或星巴克合作，和一家夫妻店三明治店合作，方式完全不同；得来速餐厅、商业街餐厅和市中心主街餐厅也不同。取货点、交互方式和订单流程都不同。
Andy：我还会把这个类比放到人形机器人可能怎样发展上。我们几个月前推出了 Tasks，让 Dashers 帮忙收集数据点，训练一些世界模型。这个领域还非常早，会出现许多不同的形态，也会有关于哪种模型可行、哪种不可行的争论。
Andy：和 ChatGPT 不一样的是，物理世界的第一版就需要大量投入。无论是 Dot 端到端完成配送，还是其它团队的产品，都有很强的压力：它必须在质量或成本上比现有替代方案更好，否则我们到底在做什么？
21:20｜Dot 是什么
主持人：对于不在 Phoenix 的人来说，DoorDash Dot 到底是什么？能不能介绍一下它的设计？
Stanley：DoorDash Dot 是一台自动配送机器人，完全由 DoorDash 内部打造。它重 300 磅，最高时速 20 英里，体积约为汽车的十分之一。它是我所知道的唯一一种不仅能在人行道上行驶，也能进入自行车道和道路的配送机器人。
Stanley：它已经在 Phoenix 运行，我们做配送接近两年。它是完全自动化的 L4 系统，目前在 Phoenix 和 Tempe 运行。
主持人：即使先不谈你们对大量用例的理解，机器人领域还有一个关键问题：你需要知道自己将面对的环境分布。行业里做一个精心挑选的 Demo 并不难，难的是让系统在任何物体、任何环境里工作。
主持人：所以大家都在问，怎样拿到看起来像真实世界的数据？最好的真实数据就是现实世界本身。除了出于业务质量考虑，你们为什么有资格去做这个，也与此有关。
Stanley：没错，这也是 DoorDash 的优势。我们不必让一种模态解决 100% 的用例。早期与合作伙伴一起建设自动配送平台时，我们已经在学习什么类型的配送适合什么模态。
Stanley：我们的愿景一直是多模态策略。比如 Dot 处理从商业街到住宅的 3 到 5 英里郊区配送。Phoenix 是 Dot 的起点，也是很合适的市场：人口和商家足够密集，但地点之间仍然相隔一定距离。
Stanley：如果是农村区域，道路基础设施较差，也许可以使用轻量订单或无人机。如果是复杂的多步骤杂货订单，需要上下楼、拣选和打包，那仍然由 Dasher 更合适。
Stanley：这不是「全机器人」或「全人类」的二选一。我们可以逐步引入不同模态，针对每种用例选择合适的方式。
主持人：这也意味着你们控制了路由和分配，可以决定一项任务由谁完成。
Stanley：是的。消费者端和商家端看到的仍然是同一个体验。消费者继续使用 DoorDash App，商家只需要一次接入，就能得到 Dashers、无人机、自动驾驶能力，以及未来会发布的 AI 工具和产品。这才是 DoorDash 正在建设的东西：本地商业的生态系统。
Stanley：要在 40 多、50 多个国家，面对各种任务和商家，真正把这件事做起来，才是困难的部分。
25:48｜为什么研究者愿意加入 DoorDash
主持人：现在会做机器人和应用 AI 的研究者很少。很多人喜欢做通用问题，觉得一次解决就能适用所有地方。你们怎样说服这些人来 DoorDash？
Stanley：我的说法很简单：你想去做原型和 Demo，像在一个博士实验室里工作；还是想做一些能真正发到现实世界的东西？
Stanley：DoorDash Labs 和 AI 团队并不只是做纯研究。最终我们要发布产品，让它真正产生影响。过去十年，很多自动驾驶领域的人厌倦了做一件事十年，却从来没有看到产品被现实世界使用。
Stanley：我们的文化更务实。不是为了一个听起来很疯狂的 moonshot 而工作，而是先把能在现实世界发布的东西做出来，再学习技术怎样与物理世界互动，然后继续迭代。
Stanley：DoorDash 很早就这样做数据。我们在 Phoenix 做自动配送已经超过两年。最开始的任务是学习：做一个漂亮 Demo 与把它变成可规模化的车队、服务和业务，完全是两回事。
28:04｜规模化时，边角情况变成主流程
Stanley：一旦开始规模化，你会遇到大量边角情况。只要一件事必须每周 7 天、每天 10 小时持续运行，问题就会出现。
Stanley：比如相机传感器被泥土挡住，自动驾驶系统能不能稳健处理？Dot 在道路上行驶，但它的行为更像一辆自行车，通常靠道路右侧前进。如果靠近路边的区域有落叶，右侧两个轮子可能在叶子上，左侧两个轮子还在柏油路上。四个轮子需要的扭矩突然不同，自动驾驶栈、中间件和低层控制就必须用不同方式处理。
Stanley：如果只是一个干净的 Demo 环境，我从来不会想到这种情况。但现实会让东西不断损坏。
Stanley：运营也一样。你要设置 depot，做维护，考虑电池如何充电。我们遇到过一种情况：车辆在某些极端场景下必须猛烈刹车，再生制动可能超过电池能承受的范围，造成电冲击。它只在极端情况下发生，但安全问题必须解决。
Stanley：还有启动机器人这件事。Demo 项目阶段，没有人考虑启动时间。最初的机器人用一个工程师几小时写的 Jenkins 脚本启动，单台运行得很好。后来每天早上要启动数百台机器人，脚本可能一半时间崩溃，每台要花 30 到 45 分钟。乘上 500 台，这立刻变成巨大的生产率问题。
Stanley：接着是可靠性、制造、供应链，以及产品怎样与商家整合。商家怎样取货，怎样完成交付，怎样培训商家？还要怎样找到用户家的准确位置？
Stanley：把地址输入 Google Maps 后，GPS pin 不一定是正确位置，尤其是公寓楼。人类 Dasher 到了之后会自己判断：这是哪栋楼？这是哪扇门？哪一个门禁？但机器人到了 pin 之后，会问「到底是哪一家店？哪一个入口？哪一道门？」这都必须被解决。
Stanley：好在 DoorDash 有数据。我们能看到包裹实际被放在哪里，也能知道人类 Dasher 历史上在哪里完成过交付。第一百英尺和最后一百英尺的数据不存在于 Google Maps，只存在于 DoorDash。
主持人：这是很真实的数据优势。早期人们讨论 AI 时，常常对 incumbents 的数据优势有一个很表面的理解。他们会说企业有客户记录和数据库，但那和 Agent 要完成的任务可能没有太大关系。
主持人：我投资了一家叫 Sunday 的公司。我们相信，一旦机器人接触物理世界，就不能凭空想象环境。比如要让机器人洗碗，谁会想到猫会钻进洗碗机？但真实家庭里就可能发生。你也不会凭空想到一个车轮在落叶上、另一个车轮不在落叶上的扭矩问题。
主持人：你会问这些情况在整个分布里有多重要，但只有拥有足够数据时才知道。唯一的办法不是工程师坐在那里想象场景，而是让机器人接触现实，持续得到数据。
Stanley：这正是我们对物理世界下一阶段 AI 感到兴奋的原因。模拟只能做这么多，Demo 也只能覆盖这么多。把世界级的运营能力和世界级的技术结合起来，是我们很有信心的地方。
Stanley：很多 AI 研究者不愿意做运营，或者以为运营很简单。但 DoorDash 有世界级运营团队，可以合作收集和标注数据，也可以一起部署机器人，把 fleet operations 跑起来。对很多我们接触的人来说，这很有吸引力，因为这不是假设性的讨论：你真的可以在 Phoenix 做配送。
39:30｜从 10 台到 1000 台
主持人：你们已经在 Phoenix 做了两年多配送。从这里继续扩大，最大的挑战是什么？
Stanley：我们在 Phoenix 做了两年多，去年进入完全自动驾驶 L4，这是一个很激动人心的里程碑。接下来要做的是从几台、10 台扩大到 100 台，继续爬过规模化的坡。
Stanley：规模化有三个部分。第一，自动驾驶能不能扩展。五年前人们还在问自动驾驶是否可能，是不是科幻研究项目。现在 AI、Waymo、Tesla 和 DoorDash 都完成了关键突破。我们的自动驾驶栈完全自研，专门为配送设计，不能简单复制 Waymo，然后放到 DoorDash 上。
Stanley：Dot 是一种自行车道形态的车辆，需要不断在道路和人行道之间移动。据我所知，世界上没有其它系统完全像它这样运行。它是因为 DoorDash 的具体用例才形成的。
Stanley：自动驾驶仍然是一个方面，我们还要把它从 Phoenix 带到 Bay Area 和更多城市，也会遇到更多边角情况。但有趣的是，自动驾驶越来越不像唯一的阻塞因素。接下来还有两件事：运营和硬件。
Stanley：运营方面，Phoenix 的餐厅和 San Francisco、London、Helsinki 的餐厅不一样。怎样适配不同的商家整合，怎样做接口层和 fleet management，都是问题。
主持人：所以是接口层和 fleet management？
Stanley：对，接口和 fleet management。第三部分是硬件。
Stanley：五年前，很多人以为硬件是 commodity。现在越来越明显，硬件会成为底层瓶颈。我们自己手工做前 100 台机器人并不难，但到了下一千台和一万台，就要考虑供应链、零部件可靠性，以及这些东西能在现场运行多久。
主持人：你们不是在猜，因为你们能看到它需要运行多久，以及它在现场的表现。
Stanley：对。制造和规模化学习本身就是一个难题。我们与 Also 合作，它是一家从 Rivian 分拆出来的微型交通公司。RJ 是那家公司的创始人和董事长。我们希望和真正懂车辆规模化的人合作。
44:56｜组织内部的 AI 与生产率 benchmark
主持人：你们是一家超过一万人的公司，很多工作是运营，也有大量技术工作。谁在负责生产率？你们现在在发布 benchmark，能不能讲讲？
Stanley：过去几年，科技行业要高水平运转所需要的东西发生了很大变化。我们去年收购 Metis，很大一个原因，是把 AI-native 的思考方式带进公司。
Stanley：很多大公司都在面对同一个问题。创业公司的工作方式看起来完全不同，很多大公司员工因为习惯了过去的方式，难以看到现在可能做到什么。所以我们需要引入真正见过前沿实践的人，把这种方式纳入工作。
Stanley：编码显然是最容易看到变化的领域，我们已经在那里获得了很多收益。但我们也在做全公司的 AI enablement。我们需要给不同部分建立 benchmark。几周前我们公布了 Dash Bench，主要评估不同模型和 harness 在 coding 任务上的表现。
Stanley：这也是我们计算 AI 支出回报的初步练习。我一周前看过数据，6 月的支出大约是 1 月的 20 倍。
主持人：如果你可以回答的话，支出现在下降了、持平了，还是还在增长？
Stanley：目前看到的是一条平线。我们做了一些有意的控制。年初或去年 12 月，模型能力出现了阶跃式变化，很多人只是实验，让他们自由尝试。现在我们需要做一些简单的事情，避免浪费，也开始计算实际 ROI。
Stanley：如果我们能让高水平智能服务于真正需要它的地方，同时把一部分更便宜的任务交给 open-weight 模型，就可能得到相近的智能水平，但成本低于所有任务都使用闭源模型。
Stanley：目前支出绝大部分仍然在工程相关任务上，coding 是最明显的机会。但组织里席位增长最多的其实是非技术部门：分析师、运营人员、客户经理，以及要为战略商家准备 QBR 的团队。他们都在问，如何把一部分工作自动化。
Stanley：我们也在想，如何给这些领域的工作建立 benchmark。另一个问题是，我们和 frontier labs 一起评估模型时，模型在会计、分析等任务上，在清洗过的数据和受控的 RL 环境里表现很好。
Stanley：但当企业把真实数据和真实工作直接交给模型时，结果可能没有那么好。我们需要判断，是 harness 还需要改进，还是模型的数据分布和能力本身就没有覆盖这些真实情况。这是 coding 之外的下一阶段：怎样让企业各类工作都出现真正的阶跃式提升。
49:10｜未来的 Dashers 与 Agent-first 购物
主持人：长期来看，会不会所有 Dashers 都消失，只剩到处都是 Dot？
Stanley：我的预测正好相反。在机器人、无人机和 AI 无处不在的世界里，10 年后我们可能会有更多 Dashers，而不是更少。DoorDash 的增长速度和运营规模都很大。现在有超过 900 万 Dashers，业务年增长约 25%。如果 10 年后要从这里增长 5 倍或 10 倍，供给从哪里来？难道每个月让半个美国的人都来给我们送货？这不太可能。
Stanley：我们必须找到新的机会，包括新的模态和业务内部的效率提升。Dot、机器人、无人机、Waymo 的人行道机器人，会让未来变成一支多模态车队。我们需要尽可能掌握每一种模态。所以未来不会只有更多自动化和机器人，也可能有更多人类配送员。
Stanley：随着自动化、机器人和效率提升让配送更便宜，需求也可能进一步增长。最终，人类和机器可能一起把配送总量做得更大。
主持人：我很期待一天能收到六台 Dot。
主持人：Andy，你怎么看从 Agentic Commerce 的早期阶段学到的东西？除了食物，未来人们会怎样购买？
Andy：我觉得一个很有意思的趋势是，过去几年 Google 搜索查询变得更长。我把它理解为：人们越来越愿意像和一个普通人交流一样，和 Agent 或 App 交流。
Andy：如果展望未来，让人更容易像和一个人说话那样与 App 或 Agent 交互，就会减少下单摩擦。订单可能是食物、杂货、零售商品，或者其它东西。
Andy：我们还需要思考 Agent-first 的体验应该是什么样子。最近我们测试了 DoorDash CLI。一个很具体的例子是，有人很兴奋地想用 CLI 简化创业公司的办公室管理员工作。后来他发现 DoorDash 不只提供午餐，还能买便利店商品和杂货，于是把摄像头对准食品柜，一旦货架快空，就让 Agent 自动补货。
Andy：这种一开始不会想到的用法，未来可能越来越多。随着 DoorDash 更加 Agent-first，很多新的用例会被打开。
主持人：我很喜欢你们对用户体验、范围和 DoorDash 规模的野心。谢谢你们。
Andy：谢谢，很高兴来到这里。
主持人：欢迎大家在 Twitter 上关注 No Priors，订阅我们的 YouTube 频道，如果你想看到我们的脸。也可以在 Apple Podcasts、Spotify 或你平时收听的地方关注节目。这样每周都能收到新一期。你也可以在 no-priors.com 注册邮件，或者查看每一期的文字稿。
コメント
ログインするとコメントできます。